J'utilise le code suivant pour obtenir tout le texte d'une page dans une List<string>
HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(content);
foreach (var script in doc.DocumentNode.Descendants("script").ToArray())
script.Remove();
foreach (var style in doc.DocumentNode.Descendants("style").ToArray())
style.Remove();
foreach (HtmlAgilityPack.HtmlNode node in doc.DocumentNode.SelectNodes("//text()"))
{
string found = WebUtility.HtmlDecode(node.InnerText.Trim());
if (found.Length > 2) // removes some unwanted strings
query[item.Key].Add(found);
}
</form>
-t-il un meilleur moyen de restreindre ce code afin que je n’obtienne que le texte de chaque balise et rien d’autre sinon je devrai analyser les résultats pour supprimer <*> Mots clés ? Cela peut être fait assez facilement en utilisant uniquement les fonctions incluses dans le HAP.
HtmlDocument doc = new HtmlWeb().Load("http://www.google.com");
List<string> words = doc.DocumentNode.DescendantNodes()
.Where(n => n.NodeType == HtmlNodeType.Text
&& !string.IsNullOrWhiteSpace(HtmlEntity.DeEntitize(n.InnerText))
&& n.ParentNode.Name != "style" && n.ParentNode.Name != "script")
.Select(n => HtmlEntity.DeEntitize(n.InnerText).Trim())
.Where(s => s.Length > 2).ToList();
Le résultat est une liste de mots d'une longueur de plus de 2 et tout est déjà échappé, donc pas besoin de WebUtility
.